Training Pelatihan Kursus Jasa Python | Unsupervised Machine Learning Hidden Markov Models Menggunakan Python

Hidden Markov Model atau HMM  adalah tentang urutan pembelajaran.

Banyak data yang akan sangat berguna bagi kita untuk dimodelkan dalam urutan. Harga saham adalah urutan harga. Bahasa adalah urutan kata. Penilaian kredit melibatkan urutan pinjaman dan pembayaran kembali uang, dan kita dapat menggunakan urutan tersebut untuk memprediksi apakah Anda akan gagal bayar atau tidak. Singkatnya, urutan ada di mana-mana, dan kemampuan menganalisisnya adalah keterampilan penting dalam kotak alat sains data Anda .

Cara termudah untuk menghargai jenis informasi yang Anda peroleh dari sebuah urutan adalah dengan mempertimbangkan apa yang Anda baca sekarang. Jika saya menulis kalimat sebelumnya secara terbalik, itu tidak akan masuk akal bagi Anda, meskipun berisi semua kata yang sama. Jadi ketertiban itu penting.

Sementara tren pembelajaran mendalam saat ini adalah menggunakan jaringan saraf berulang untuk memodelkan urutan, saya ingin memperkenalkan algoritma pembelajaran mesin yang telah ada selama beberapa dekade sekarang – Model Markov Tersembunyi.

Kursus ini mengikuti langsung dari kursus saya di Unsupervised Machine Learning untuk Analisis Cluster , di mana Anda belajar bagaimana mengukur distribusi probabilitas dari variabel acak . Dalam kursus ini, Anda akan belajar mengukur distribusi probabilitas dari urutan variabel acak.

Kami telah membahas penurunan gradien dan Anda tahu betapa pentingnya itu untuk memecahkan masalah pembelajaran yang mendalam. Saya mengklaim bahwa penurunan gradien dapat digunakan untuk mengoptimalkan fungsi tujuan apa pun. Dalam kursus ini saya akan menunjukkan kepada Anda bagaimana Anda dapat menggunakan penurunan gradien untuk menyelesaikan parameter optimal dari sebuah HMM, sebagai alternatif dari algoritma ekspektasi-maksimisasi yang populer .

Kami akan melakukannya di Theano  dan Tensorflow , yang merupakan pustaka populer untuk pembelajaran mendalam. Ini juga akan mengajari Anda cara bekerja dengan urutan di Theano dan Tensorflow, yang akan sangat berguna saat kita membahas jaringan neural berulang dan LSTM .

Kursus ini juga akan membahas banyak aplikasi praktis dari model Markov dan model Markov tersembunyi. Kita akan melihat model penyakit dan kesehatan, dan menghitung bagaimana memprediksi berapa lama Anda akan tetap sakit, jika Anda sakit. Kami akan berbicara tentang bagaimana model Markov dapat digunakan untuk menganalisis bagaimana orang berinteraksi dengan situs web Anda, dan memperbaiki area masalah seperti rasio pentalan tinggi , yang dapat memengaruhi SEO Anda . Kami akan membuat model bahasa yang dapat digunakan untuk mengidentifikasi penulis dan bahkan menghasilkan teks – bayangkan mesin yang melakukan tulisan Anda untuk Anda. HMM sangat berhasil dalam pemrosesan bahasa alami  atau  NLP .

Kita akan melihat apa yang mungkin merupakan aplikasi model Markov terbaru dan paling produktif – algoritma PageRank Google . Dan akhirnya kita akan membahas aplikasi yang lebih praktis dari model Markov, termasuk menghasilkan gambar, sugesti ponsel cerdas , dan menggunakan HMM untuk menjawab salah satu pertanyaan paling mendasar dalam biologi – bagaimana DNA , kode kehidupan, diterjemahkan ke dalam atribut fisik atau perilaku dari suatu organisme?

Semua materi kursus ini dapat diunduh dan diinstal secara GRATIS. Kami akan melakukan sebagian besar pekerjaan kami di Numpy dan Matplotlib , bersama dengan sedikit Theano .